部落格

半導體製造業是一個技術門檻極高且高度精密的產業，從原物料處理、製程控制到成品檢測，每個環節都需要精確管理並維持極高的品質標準。隨著製程技術的進步與晶片尺寸不斷微縮，對生產效率和產品品質的要求也更加要求。為了進一步優化生產流程並保持競爭力，日月光全面應用人工智慧(AI)於營運活動中，在智慧製造的主軸上，建立各個階段所需AI模型，分析每個製程資料，自動預測或檢測生產中的異常，從而提高產品良率、降低成本，提升整體製造效能。

AI提升半導體製造關鍵環節

在整個製造流程中，從產品設計檔案完成後，通常會經歷三個主要生產階段：首先是原物料的需求估算，其次是製程參數的監控與調整，最後是成品的檢測與測試。本文將介紹AI在這三個關鍵環節中的應用，包括投料預測、製程參數預測以及影像異常檢測，並探討如何有效提升製造效率與產品品質。

提升投料預測的智慧決策系統

投料預測(Material Usage Forecasting)是指根據生產需求，精確計算所需的原物料投入量。在半導體製造中，晶圓和化學試劑等原材料的精確使用對成本控制至關重要。傳統的投料方式依賴人員經驗和靜態數據，往往導致物料使用效率低、存貨過高，難以快速應對市場需求的變化。AI技術的引入，通過分析和學習歷史數據，可自動預測所需的材料種類與數量，並能針對新產品的投料需求進行調整。例如，當新產品或製程導入時，AI能根據相似條件下的歷史投料數據進行快速預測。常用的預測式AI模型如決策樹或隨機森林，能同時參考圖號、產品類別、尺寸規格等多種因素。

然而，由於沒有考慮製造過程中的大量參數，模型在極端情況下可能預測不夠精確。日月光開發的投料預測決策系統， 除了導入機器學習技術外，並能結合人類以往的人類投料成本經驗，該系統以最佳成本考量來預測原物料所需投放量，輔助人類決策過程。對比過去人工方法，此系統可幫助減少過量投放原料約1%至15%的成本，並且有效避免因材料短缺而導致的停工損失。

縮短研發週期的AI製程參數預測

半導體製造的製程步驟極其複雜，每個環節都需要精確控制大量參數。這些參數的微小變動可能導致產品品質偏差，進而影響晶片的良率。傳統上，製程參數(Process Parameter Prediction)的優化需依賴工程師的經驗和反覆實驗，這不僅耗時費力，還難以達到最佳效果。

AI技術通過學習和分析製程數據，能自動預測每個步驟的最佳參數設定。具體來說，AI系統能處理大量生產歷史數據，分析不同參數對產品品質的影響，並基於這些數據建立精確模型。在設備或原物料發生變動時，AI能即時發出警告並提供調整建議。常見的AI預測模型如神經網路和決策樹，能快速調整參數，確保製程穩定。

然而，因製造過程中涉及大量參數，模型在極端情況下的預測精度有限。例如，在封裝基板線路製程中，需考量人員、機器、原料、方法、環境等多達數百個因子。即使使用多種AI模型進行擬合，預測準確度仍容易受限。為解決此問題，日月光採用了挑選因子模型的解析方法，將眾多參數融合為少數關鍵因子，讓製程人員能迅速設定參數，確保產品品質穩定。導入AI的自動參數優化的方法後，不僅能縮短研發週期約5%至15%，也提升機台整體生產稼動率約5%至20%。這種預測式控制不僅減少試錯成本，還顯著提升產品良率和生產穩定性，特別是在新產品研發或高精度製程。

高效率的影像異常檢測AI技術

當成品完成後，異常檢測(Anomaly Detection, AD)是至關重要的環節，任何微小瑕疵或缺陷都可能導致產品不合格。隨著製程技術的精密度提升，傳統的人工檢測方法對微小缺陷的辨識能力有限，且易受疲勞和主觀判斷影響，導致檢測效率低、錯誤率高。AI技術已可結合影像識別與深度學習，能自動進行異常檢測，並能極高準確度辨別微小缺陷。此影像異常檢測AI技術只需學習正常圖像，在實際檢測中能迅速判斷並定位異常區域。與傳統監督式的物件檢測模型相比，這類AI技術無需人工蒐集和標註瑕疵資料，並能辨別過去未見的瑕疵或變異的瑕疵，大幅降低漏檢率。

文獻上顯示影像異常檢測技術在準確度上已有顯著進展，如SPADE、PaDiM和PatchCore等模型。然而，這些模型需大量運算，如最近鄰搜尋法、反矩陣運算、及最佳樣本挑選方法，導致GPU高記憶體需求，影響模型訓練效率。日月光自主開發新型模型，優化現有主流模型架構，降低GPU記憶體使用量，加速AI模型訓練，並能處理更大規模和更多元的圖像資料[1]。

此外，我們也設計了Ensemble方法，能結合監督式學習模型，標註異常檢測學習不足的圖片，並利用影像生成式技術(Variational AutoEncoder)來複判瑕疵種類，提升模型分類能力的穩定度，減少人工檢測[2, 3, 4, 5]。此AI的影像檢測功能已可全天候工作，不受時間和人力限制，提高了整個生產流程檢測的可靠性。

我們自行開發的方法，只需500至2000張1024×1024解析度的正常圖像即可訓練AI模型。針對新產品，模型訓練時間平均僅需20分鐘即能上線進行檢測。經過大量的線上圖像資料測試，UDKL近乎0 %，以及約5% 圖像被模型判斷為異常，其中大多為毛屑粒子(particle)異常，鮮少OVKL。此AI影像檢測功能已導入產線，用於每個產品檢測。依據其高準確度，我們規劃當模型判斷為異常時，才轉交由人工複判，這樣可大幅減少了人工檢查的工作量，顯著提升公司的生產效率。

AI技術：提升效率與質量的關鍵力量

AI技術已經成為半導體製造業不可或缺的一部分，從投料預測、製程參數預測到影像檢測，AI的應用大大提升了生產效率與產品品質。在投料預測方面，AI能根據生產條件自動調整原物料投放，降低庫存堆積與成本浪費；在製程參數預測方面，AI能精確預測製程參數的最佳設定或挑選關鍵因子，縮短實驗時間，提升良率；在影像異常檢測中，AI可快速準確地判斷出生產產品是否有瑕疵。隨著半導體技術的進一步發展，AI在製造中的應用範疇將越來越廣泛。未來，AI不僅能幫助企業優化製程，還能推動整個營運的智慧化，從而實現更具競爭力和效率的半導體製造流程。

1. Hsu, Y. C. & Huang, W. S. (2024). An Approach of Zero-Escape Anomaly Detection for Industrial Inspection Application. In 2024 24th AOI Forum.
2. Hsu, Y. C., Wang, J. T., Wang, N.J., Kuo, P. Y, & Huang, W. S. (2022). Two-stage Collaborative Deep Learning for Package Substrate Defect Detection. In 2022 22th AOI Forum.
3. Hsu, Y. C., & Huang, W. S. (2023, October). A Precision Enhancement Deep Learning Framework for Package Substrate Defect Detection. In 2023 18th International Microsystems, Packaging, Assembly and Circuits Technology Conference (IMPACT) (pp. 174-177). IEEE. DOI: 10.1109/IMPACT59481.2023.10348907
4. Hsu, Y. C., Wang, J. T., & Huang, W. S. (2021). Upon Human’s Unknown, Can AI Help to Address Uncertainty? A Practice on Package Substrate AOI Defect Detection. In 2021 16th International Microsystems, Packaging, Assembly and Circuits Technology Conference (IMPACT) (pp. 42-45). IEEE. DOI: 10.1109/IMPACT53160.2021.9696716
5. Hsu, Y. C., Kuo, P. Y., & Huang, W. S. (2019, October). A novel feature-spanning machine learning technology for defect inspection. In 2019 14th International Microsystems, Packaging, Assembly and Circuits Technology Conference (IMPACT) (pp. 54-57). IEEE. DOI: 10.1109/IMPACT47228.2019.9024985